import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
from IPython.display import Audio, display
import warnings
warnings.filterwarnings("ignore")
#Fenêtre de hamming
def hamming(T): return 0.54-0.46*np.cos(2*np.pi*np.arange(T)/(T-1))
#Calcul du spectre amplitude et phase du signal data, taille de la fenetre=T, pas=p
#mettre pre=True dans l'appel pour activer la préaccentuation
#mettre ham=True pour activer le fenêtrage par hamming
#Tfft=taille de la fft, si > T le zéro padding sera activé(voir cours acoustique)
def spectrogram(data,fs,T=512,p=32,pre=False,ham=True,Tfft=None,norm=True):
if Tfft is None: Tfft=T #si la taille de la fft n'est pas spécifiée prendre Tfft=T
if norm: data=(data-np.mean(data))/np.std(data) #normaliser le signal sur son écart type
if pre: data[1:]-0.97*data[:-1] #préaccentuation
s=[data[i:i+T] for i in range(0,len(data)-T,p)] # fenêtrage
if ham : s=s*hamming(T) # multiplication par hamming
s=np.fft.fft(s,Tfft) #Transformée de Fourier
s=s[:,:int(Tfft/2)] #couper le spectre en 2 pour éliminer l'effet mirroir
#retourner les spectres d'amplitude et de phase
return {"ampl": np.abs(s), "phase": np.angle(s), "fs":fs, "duree":len(data)/fs, "T": T, "p": p, "Tfft": Tfft}
#Cette fonction affiche un spectrogramme d'amplitude
def afficher(spec):
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
ax3 = ax1.twiny()
freq=np.linspace(0, spec["fs"]/2, int(spec["Tfft"]/2)) #labels de l'axe des fréquences
temps=np.linspace(0, spec["duree"], len(spec["ampl"])) #labels de l'axe du temps
ax1.pcolormesh(temps, freq, np.log(spec["ampl"]+1).T, cmap='gray_r') #afficher le spectre avec correction des axes
ax1.set_ylabel('Fréquence (Hz)')
ax1.set_xlabel('Temps (sec)')
ax2.set_yticks(np.round(ax2.get_yticks()*int(spec["Tfft"]/2)))
ax2.set_ylabel('Indices des colonnes dans la matrice spec')
ax3.set_xticks(np.round(ax3.get_xticks()*len(spec["ampl"])))
ax3.set_xlabel('Indices des lignes dans la matrice spec')
plt.show()
#Retour à partir de l'amplitude et de la phase au signal temporel
#Ne pas utiliser la préaccentuation si vous voulez utiliser cette fonction
def spec2wav(spec):
p=spec["p"]; T=spec["T"]
ne=(len(spec["ampl"])-1)*p+T #estimation le nombre d'échantillons du signal
signal=np.zeros(ne) #initialiser le signal par des zéros
trams=np.zeros(ne) #initialiser le nombre de trames par des zéros
temp=spec["ampl"]*np.exp(1j*spec["phase"]) #recombiner l'amplitude avec la phase (nombre complexe)
temp=np.fft.ifft(temp, spec["Tfft"]) #retour au domaine temporel par une fft inverse
temp=np.real(temp) #ne garder que la partie réelle
for i in range(len(temp)): #fenêtrage inverse
signal[i*p:i*p+T]+=temp[i,:T]
trams[i*p:i*p+T]+=1
return signal/trams, spec["fs"] #retourner le signal reconstitué et la fréquence d'échantillonnage
